<\/p>\n
Anda dapat menggunakan sintaks berikut untuk mengelompokkan data berdasarkan waktu dan melakukan agregasi di panda:<\/span><\/p>\n Contoh khusus ini mengelompokkan nilai berdasarkan jam ke dalam kolom yang disebut Jam<\/strong> dan kemudian menghitung jumlah nilai di kolom Penjualan<\/strong> untuk setiap jam.<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan sintaksis ini dalam praktiknya.<\/span><\/p>\n Katakanlah kita memiliki panda DataFrame berikut yang menunjukkan jumlah penjualan yang dilakukan pada waktu berbeda dalam sehari untuk sebuah toko:<\/span><\/p>\n Kita dapat menggunakan sintaks berikut untuk mengelompokkan kolom waktu<\/strong> berdasarkan jam dan menghitung jumlah penjualan<\/strong> setiap jam:<\/span><\/p>\n Dari hasilnya kita dapat melihat:<\/span><\/p>\n Perhatikan bahwa kita juga dapat melakukan agregasi lain.<\/span><\/p>\n Misalnya, kita dapat menghitung jumlah rata-rata<\/strong> penjualan per jam:<\/span><\/p>\n Kita juga dapat mengelompokkan berdasarkan jam dan menit jika kita mau.<\/span><\/p>\n Misalnya, kode berikut menunjukkan cara menghitung jumlah penjualan yang dikelompokkan berdasarkan jam dan menit:<\/span><\/p>\n Dari hasilnya kita dapat melihat:<\/span><\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan operasi umum lainnya di panda:<\/span><\/p>\n Cara membuat rentang tanggal di Pandas<\/a> Anda dapat menggunakan sintaks berikut untuk mengelompokkan data berdasarkan waktu dan melakukan agregasi di panda: df. groupby ([df[‘ time ‘]. dt . hour ]). dirty . sum () Contoh khusus ini mengelompokkan nilai berdasarkan jam ke dalam kolom yang disebut Jam dan kemudian menghitung jumlah nilai di kolom Penjualan untuk setiap jam. Contoh berikut menunjukkan […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n df. groupby<\/span> ([df[' time<\/span> ']. dt<\/span> . hour<\/span> ]). dirty<\/span> . sum<\/span> ()\n<\/strong><\/pre>\n Contoh: mengelompokkan data berdasarkan waktu di Pandas<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' time<\/span> ': ['2022-01-01 01:14:00', '2022-01-01 01:24:15',\n '2022-01-01 02:52:19', '2022-01-01 02:54:00',\n '2022-01-01 04:05:10', '2022-01-01 05:35:09'],\n ' sales<\/span> ': [18, 20, 15, 14, 10, 9]})\n\n#convert date column to datetime\n<\/span>df[' time<\/span> '] = pd. to_datetime<\/span> (df[' time<\/span> '])\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n time sales\n0 2022-01-01 01:14:00 18\n1 2022-01-01 01:24:15 20\n2 2022-01-01 02:52:19 15\n3 2022-01-01 02:54:00 14\n4 2022-01-01 04:05:10 10\n5 2022-01-01 05:35:09 9\n<\/span><\/span><\/strong><\/pre>\n #group by hours in time column and calculate sum of sales<\/span>\ndf. groupby<\/span> ([df[' time<\/span> ']. dt<\/span> . hour<\/span> ]). dirty<\/span> . sum<\/span> ()\n\ntime\n1 38\n2 29\n4 10\n5 9\nName: sales, dtype: int64<\/span><\/span><\/strong><\/pre>\n\n
#group by hours in time column and calculate mean of sales\n<\/span>df. groupby<\/span> ([df[' time<\/span> ']. dt<\/span> . hour<\/span> ]). dirty<\/span> . mean<\/span> ()\n\ntime\n1 19.0\n2 14.5\n4 10.0\n5 9.0\nName: sales, dtype: float64\n<\/span><\/span><\/strong><\/pre>\n #group by hours and minutes in time column and calculate mean of sales\n<\/span>df. groupby<\/span> ([df[' time<\/span> ']. dt<\/span> . hour<\/span> , df[' time<\/span> ']. dt<\/span> . minute<\/span> ]). dirty<\/span> . mean<\/span> ()\n\ntime time\n1 14 18\n 24 20\n2 52 15\n 54 14\n4 5 10\n5 35 9\nName: sales, dtype: int64\n<\/span><\/span><\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara mengekstrak bulan dari tanggal di Pandas<\/a>
Bagaimana cara mengubah stempel waktu menjadi tanggal\/waktu di Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"